AI在医疗诊断中的最新案例：肺部CT自动识别的实际效果与风险

肺部CT自动识别AI模型已经在多个临床中心投入使用，医院信息化部门常面临如何评估其检测效果与潜在风险的难题。本文聚焦最新的肺部结节检测案例，帮助影像科研人员快速了解关键指标并制定落地前的评估要点。

案例概览

近期在日本一家医院的回顾性研究中，选取了2023 年4 月至10 月期间的102 例肺部CT检查，其中包括已确诊或临床怀疑的肺癌病例。研究比较了两套商业AI系统与两位放射科医师的结节检测表现。

检测准确率与误报率

• 检测准确率：系统综述显示，深度学习辅助的低剂量CT筛查在整体准确率上表现出“有前景”的水平，但受限于样本量小、异质性大以及报告不完整，尚不足以支持完全自主诊断或AI触发的侵入性治疗决策。




• 误报率：在上述日本案例中，两套AI系统的平均每例扫描误报数分别为5.28 和7.97，显著高于两位放射科医师（分别为1.61 和3.56）。统计检验（Friedman 检验）表明误报差异具有统计学意义（p < 0.001），且事后Wilcoxon 配对检验进一步确认AI系统的误报显著多于人工阅读。

这些数据提示，虽然AI能够提升对阴性影像的快速排除（负似然比相对有利），但在“规则入”即直接确定阳性结节方面仍存在较高的误报风险。

临床使用风险

1. 误报导致的过度检查：高误报率可能引发不必要的进一步影像学检查或侵入性活检，增加患者负担与医疗成本。




2. 偏倚与适用性：多数研究在患者选择、指数测试以及随访流程上存在高风险偏倚，导致模型在不同医院或不同CT重建参数下的表现可能不一致。




3. 依赖性风险：证据不支持AI完全取代放射科医师的解读，若过度依赖AI可能削弱医师的专业判断，特别是在复杂或模糊病例中。




4. 监管与合规：AI系统的使用需要明确的阈值设定、前瞻性验证以及结构化的管理路径，否则可能违反医疗器械监管要求。

实施前的评估要点

• 数据匹配度：确认本院CT扫描协议（切片厚度、重建核）与模型训练数据相吻合，避免因技术差异导致性能下降。




• 误报阈值设定：基于本院病例库进行本地验证，设定可接受的误报上限（如每例扫描≤2 个），并制定相应的复审流程。




• 工作流集成：评估AI输出在现有PACS或RIS系统中的嵌入方式，确保医师能够快速查看AI标记并进行人工二次判读。




• 风险监测机制：建立AI误报和漏报的持续监测指标，定期审计模型表现并调整阈值或使用策略。




• 培训与沟通：对放射科医师和信息化团队进行培训，明确AI的辅助定位而非替代角色，避免误解和使用错误。

通过上述指标与风险评估，医院可以在确保患者安全的前提下，逐步将肺部CT自动识别AI模型融入日常影像工作流，实现筛查效率提升与误诊风险的平衡。